基于心電圖的異源數據庫及診斷算法研究.pdf

1、心電圖（Electrocardiogram，ECG）從19世紀被應用于臨床醫(yī)學以來，一直在疾病診斷過程中扮演著重要角色。通過對前人研究的總結和分析，可以發(fā)現心電信號處理算法非常的豐富，但很少有涉及到針對異源心電數據庫問題的研究。然而現實的應用往往針對異源數據庫，所以異源數據庫的研究是非常有必要和價值的。另外，神經網絡被廣泛應用于心電識別領域，尤其是BP神經網絡。但通過深入研究和大量實驗發(fā)現，當樣本容量逐漸增大相應測試樣本的容量也隨之增大

2、時，基于BPNN的分類中，測試樣本輸出結果的區(qū)分度會越來越小。這必然導致很多樣本被錯誤的歸類，所以解決BP神經網絡的這一缺陷也是非常有必要的。
　　針對上面出現的這兩個問題，本文提出了解決異源數據庫應用障礙的預處理方法和基于BP神經網絡的多階分類算法。通過對心電圖診斷過程的充分調研，提出了去噪及采樣頻率轉換的預處理方法。結合三個異源心電數據庫，進行了異源數據庫處理并通過熵值、標準差、峰度和偏度四個相似度指標對處理前后三個數據庫信號

3、的相似度做了對比。實驗表明，提出的預處理方案具有較好的效果。另外，結合MIT-BIH心率失常數據庫和PTB心電數據庫，進行了異源數據庫間的疾病診斷實驗，實驗表明本文提出的預處理方案可以解決異源數據庫之間疾病診斷問題。為了解決BP神經網絡分類區(qū)分度變小的問題，在對BP神經網絡深入研究之后，本文通過增加多個假測試集進行多階網絡訓練。得到多個訓練網絡，最后應用訓練得到的多個網絡對測試集進行分類，這樣便解決了區(qū)分度下降的問題。然后針對MIT-B

4、IH心率失常數據庫中5類心搏進行了分類實驗，結合波形特征提取方式識別率可以達到96.8％，比常規(guī)的BP神經網絡算法識別率高出5%左右。另外，本文還利用SVM算法結合小波特征和波形特征以及調研中的較好文獻方法，進行了分類實驗，實驗對比均顯示本文提出的基于BP神經網絡的多階分類算法效果要好于其他方法。
　　在完成前面研究工作之后，以此作為基礎，本課題實現了基于心電圖的心率失常診斷系統(tǒng)。診斷系統(tǒng)以普遍的Android智能手機作為客戶端載